上国外网站用什么机箱好,电商网站是什么意思,企业自建网站的优势,学校网站制作素材《Nature Machine Intelligence》发表重磅评测#xff0c;系统评估AI与物理方法在虚拟筛选#xff08;VS#xff09;中的表现#xff0c;突破药物发现效率瓶颈。 核心评测体系#xff1a;三大数据集
研究团队构建了三个新型测试集#xff1a; TrueDecoy#xff1a;含14…《Nature Machine Intelligence》发表重磅评测系统评估AI与物理方法在虚拟筛选VS中的表现突破药物发现效率瓶颈。 核心评测体系三大数据集
研究团队构建了三个新型测试集 TrueDecoy含147个靶点活性分子与真实实验验证的低活性分子活性-非活性比例1:40模拟高挑战性筛选场景图a,c。 RandomDecoy活性分子取自TrueDecoy非活性分子随机选自商业库比例1:100或1:300贴近真实药物筛选图b,d。 MassiveDecoy扩展至700万分子库验证算法在大规模VS中的实用性。 AI与物理方法的对决
1. 对接准确性 AI工具CarsiDock(成功率86.4%)和KarmaDock(76.2%)在RMSD 2Å时超越所有传统方法。 物理方法LeDock在RMSD 1Å时准确率最高显示局部构象优化优势。 2. 结构合理性 物理方法稳胜Glide等生成复合物的分子间有效性(Intermolecular validity)达90%以上。 AI的短板CarsiDock在分子间碰撞检查中合格率仅50%FlexPose甚至低于20%。研究者指出AI方法多关注配体构象忽视蛋白-配体空间冲突。 3. 虚拟筛选表现
TrueDecoy测试物理方法Glide联合RTMScore在区分微弱活性分子时最佳EF_1%5.69。 RandomDecoy测试CarsiDock全面胜出EF_1%43.5显示AI在真实化学库筛选中的潜力。 技术瓶颈深度解析
1. 数据依赖性
去除PDBbind重复数据后AI工具成功率下降30%而物理方法稳定提示现有AI模型泛化能力不足。 2. 后处理策略的局限性
RDKit几何优化FF仅提升配体内部合理性Intramolecular validity但恶化分子间相互作用。 构象对齐Align反而导致RMSD升高削弱筛选性能。 3. 效率与精度的平衡
KarmaDock单次对接仅需0.017秒GPU加速适合千万级库初筛CarsiDock精度高但耗时较长1.7秒/分子需级联策略提速。 未来方向与实战策略
1. 层次化筛选方案
两步走策略先用KarmaDock初筛百万库再以CarsiDock优化前10万分子。在八类靶点测试中该策略显著提升活性分子召回率。 2. AI算法革新 将分子间几何约束如氢键网络、疏水接触融入神经网络架构 开发统一评分框架整合物理参数与深度学习特征。 3. 数据建设标准化 制定更严格的复合物合理性评价指标 构建靶点依赖性更弱的广谱训练集。
主编视点
AI对接工具的崛起并非替代传统方法而是扩展药物发现的策略维度。此项研究揭示 在初筛阶段AI凭借速度优势可快速缩小化学空间 在先导化合物优化时物理方法对结合模式合理性的把控不可替代。
未来嵌入物理规则的混合模型或成突破关键——既要让AI理解能量最小化原理也要保留其探索未知空间的能力。
参考资料
Gu, S., Shen, C., Zhang, X. et al. Benchmarking AI-powered docking methods from the perspective of virtual screening. Nat Mach Intell (2025).
代码链接https://github.com/shukai1997/VSDS-VD
